精华内容
下载资源
问答
  • N O − 3 NO_3^- 遇还原剂会生成 N O NO N 2 O 5 + H 2 O = = = = 2 H N O 3 N_2O_5+H_2O====2HNO_3 N 2 ( g ) + O 2 ( g ) = = = = ( 放 电 ) 2 N O ( g ) N_2 (g)+ O_2(g)====(放电)2NO(g) 2 N ...

    我反正是才发现自己好多没见过QAQ
    百度找的,质量好像有点低,
    记住NO3遇还原剂会生成NO

    N2O5H2O====2HNO3
    N2(g)+O2(g)====2NO(g)
    2NO(g)+O2(g)====2NO2(g)
    N2+2O2====2NO2
    3NO2(g)+H2O(l)====2HNO3(l)+NO(g)
    4NO2(g)+2H2O(l)+O2(g)====4HNO3(l)
    4NO(g)+2H2O(l)+3O2(g)====4HNO3(l)
    HNO3+H2OH3O++NO3
    HONO2+2H2SO4NO+2+2HSO4+H3O+
    P+3HNO3====H3PO4+NO2
    4NH3+5O2====()4NO+6H2O
    2NO+O2====2NO2
    3NO2+H2O====2HNO3+NO
    N2+3H2====2NH3

    展开全文
  • 土壤化学计量特性影响土壤碳、氮磷循环微生物丰度及其对全球变化的抵抗力Soil Carbon, Nitrogen, and Phosphorus Cycling MicrobialPop...

    土壤化学计量特性影响土壤碳、氮和磷循环微生物丰度及其对全球变化的抵抗力

    Soil Carbon, Nitrogen, and Phosphorus Cycling Microbial
    Populations and Their Resistance to Global Change Depend
    on Soil C:N:P Stoichiometry

    mSystems [IF: 6.519]

    DOI:https://doi.org/10.1128/mSystems.00162-20

    发表日期:2020-04-21

    第一作者:Gongwen Luo (罗功文)a

    通讯作者:Ning Ling(凌宁)a

    其他作者:Chao Xue (薛超)a, Qianhong Jianga, Yan Xiaob, Fengge Zhangb, Shiwei Guoa, Qirong Shena

    主要单位:

    a 南京农业大学资源与环境科学学院(Jiangsu Provincial Key Lab for Solid Organic Waste Utilization, Jiangsu Collaborative Innovation Center for Solid Organic Waste Resource Utilization, Nanjing Agricultural University)

    b College of Agro-Grassland Science, Nanjing Agricultural University, Nanjing, China

    写在前面

    文涛按:罗师兄在南农资环院是一个神人一般的存在,几乎是发文章速度和质量相结合做到最好的人之一,博士阶段一作发文章累计IF > 40。2020年毕业后任湖南农业大学,特聘副教授。我们需要加油向师兄学习。

    摘要

    面对全球变化,要保持生态系统功能的稳定性,就需要更好地理解功能特殊微生物群的调控因素及其种群对干扰的响应。在这项研究中,我们收集了中国54个管理的生态系统的土壤,并进行了一个微观实验,将干扰、元素化学计量和遗传抗性联系起来。与年平均温度和降水量相比,土壤碳:氮:磷化学计量对与碳、氮和磷主要生物地球化学过程相关的微生物类群的丰度有更大的影响。氮循环基因(包括细菌amoA-b、nirS、narG和norB)对氮沉降表现出最高的遗传抗性。amoA-a和nosZ基因分别表现出对变暖和干湿循环的最高抗性。土壤全碳、全氮、全磷含量及其比值对微生物种群的遗传抗性有着强烈的直接影响,这种影响取决于年平均气温和降水量。土壤C/P比值是氮循环对氮沉降抗性的主要预测因子。土壤全碳、全氮含量及其比值是磷循环对氮沉降、变暖和干湿性抗性的主要预测因子。总的来说,我们的工作强调了土壤化学计量平衡对于维持生态系统功能抵御全球变化能力的重要性。

    引言

    土壤微生物参与多种生态系统功能,包括凋落物分解、养分循环、初级生产及温室气体排放。行使特定功能的微生物类群对生态系统中碳与养分的生物化学循环至关重要。当某一微生物类群行使特定功能的能力受环境变化的影响时,其他类群可行使相同的功能。当群落物种因环境变化而在空间或时间上发生更替时,土壤微生物多样性的增加有助于实现功能物种之间的功能互补,有助于提高生态系统可持续性。随着环境压力的加剧,土壤关键类群(如,氨氧化菌、反硝化菌及纤维素降解菌)可能受到抑制,从而导致生态系统稳定性下降。

    微生物群落影响多个生物化学过程,因而近年来人们一致认为,为了准确地预测生态系统的功能稳定性,需更好地评估特定功能类群抵御外界干扰的能力(抵抗力)。在环境变化下,土壤微生物群落组成必然发生不可逆的改变,而微生物功能潜力存在一定的弹性。例如,在经历干湿交替循环后,有机质分解、氮矿化及硝化作用过程所受影响相对较小。在特定条件下,微生物可分泌胞外酶以缓解环境变化造成的影响。因此,探究全球气候变化下特定微生物类群及其抵抗力对于进一步评估生态系统稳定性至关重要。


    短暂的干扰能加快土壤碳氮循环过程。虽然土壤微生物能通过影响有机磷的矿化及无机磷的溶解来影响土壤磷循环,但与碳氮循环相比,在环境变化下对土壤磷循环相关微生物类群的研究较少。此外,大量研究表明,微生物群落在不同地理尺上存在空间变异性。为了进一步明确年平均温度(MAT)、年平均降水(MAP)及土壤C/N/P化学计量特性对土壤功能潜力的影响,本研究收集了来自于我国21个省份54个点的苜蓿土壤样品。之后,土壤样品在模拟全球变化条件下(对照、增温、氮沉降和干湿交替循环)室内培养30天(图1)。本研究主要通过定量PCR技术测定了与碳、氮和磷循环相关的微生物类群丰度,并进一步计算了各功能类群对全球变化的抵抗力。通过本章研究可以进一步明确土壤化学计量平衡对于维持土壤功能稳定性的重要性。

    图1 采样点的主要信息及主要实验设计流程。

    Fig. 1 The main information of the sampling point and the schema of the experimental design.

    2 材料与方法

    2.1 土样采集

    本研究主要收集了来自54个苜蓿种植系统的土壤样品,每个采样点的平均降水量和年平均温度差异较大(图1)。当地环境条件和管理模式对采样点土壤性质的影响较大。本研究使用苜蓿系统土壤样品的主要原因如下:1)苜蓿是我国分布广泛的多年生植物,有利于大规模、多样本的研究;2)大多数种植体系中土壤C、N和P的化学计量特性受地上部植物残体的影响较大,但长期种植紫花苜蓿可降低地上部或其他植被对土壤基质的影响(单一种植体系);以及3)苜蓿驱动的氮固定可引起土壤化学计量梯度的形成。此外,与农田种植体系相比,苜蓿种植体系受人为干扰相对较小。每个场地随机选取3个地块,每个地块在0-15 cm深度取5个土芯,并进行混合。将田间取回的鲜土样品过2 mm筛网以去除各种杂质和根系,并在分析土壤性质前进一步将土样混匀。将一部分土样保存于-80 ℃,用于提取土壤总DNA等。

    2.2 土壤理化分析

    土壤理化性质的测定方法主要参照《土壤农化分析》(鲍士旦)。具体方法如下:土壤SOC和TN含量主要使用Vario MACRO cube元素分析仪进行测定(Vario MAX,Elementar,Germany)(风干土,过100目筛);土壤TP含量主要通过氢氟酸(HF)和高氯酸(HClO4)消煮,用钼蓝比色法测定(风干土,过100目筛)。

    2.3 室内培养实验以及样品采集

    通过对土壤样品进行室内培养,本研究进一步模拟了干湿交替循环、增温和氮沉降对土壤功能类群抵抗力的影响。考虑到采样和土壤过筛等措施对土壤环境和微生物的干扰,土样在正式培养前进行了预培养实验。在预培养阶段开始时,每个土壤样品的含水量维持到50%田间持水量(Water Hold Capacity,WHC),该范围是土壤微生物呼吸的最佳含水量。具体操作如下:把土壤样品的含水量维持到50%WHC,充分混匀,把相当于5 g干土的鲜土放入50 mL玻璃培养瓶中,置于恒温培养箱中暗培养(25 ℃)。为避免土壤干燥,维持气体交换,罐子用具有相同微孔的保鲜膜密封,并每天称重以确保土壤湿度为50%WHC。预培养结束时,土壤呼吸基本稳定(14天后)。增温处理的水分条件与对照相同(50%WHC),但温度升高4.5℃(图1)。干湿交替处理的培养温度与对照处理相同(25 ℃),但包括四个干湿交替周期。每个周期包括2天的湿润期(土壤达到50%WHC),随后自然干燥5天。N沉降处理的培养温度和水分条件与对照处理相同(50%WHC;25 ℃),但在第一次湿润时加入25 kg N ha -1。在整个实验中,除干湿交替处理外,所有处理的含水量均调整并维持在50% WHC。培养结束后,收集土壤样品。一部分迅速储存于- 20 ℃,用于DNA提取;一部分储存于4 ℃,用于DNA提取和其他指标测定;剩余部分自然风干,用于理化性质测定。

    2.4 土壤总DNA提取与荧光定量PCR

    使用ABI 7500实时荧光定量PCR系统和SYBR Premix Ex TaqTM试剂盒(TaKaRa)定量分析了与碳、氮和磷循环相关的微生物类群丰度(靶基因拷贝数)。

    功能基因主要参与以下功能:

    氨氧化(AOA和AOB 基因)、固氮(nifH)、反硝化(nirK、nirS、nosZ和norB基因)、硝酸盐还原菌(narG)、纤维素降解(fungcbhIR 和GH74基因)、淀粉降解(GH31)、木聚糖降解(GH51)、磷酸单酯降解(phoD和phoC基因)、植酸降解(BPP)和无机磷溶解菌(pqqC)。

    扩增各组基因的引物均来自于先前文献。

    2.4 评估土壤功能类群对干扰的抵抗力

    计算抵抗力(Resistance,RS)的公式较多,且均存在一定的优劣(Griffiths和Philippot,2013)。根据先前研究(如Delgado-Baquerizo等,2017),本研究主要参照Orwin和Wardle(2004)的方法,通过计算各功能基因丰度对干湿交替循环、增温或氮沉降的抵抗力来评估其稳定性。计算公式如下:

    在方程中,D0表示响应变量(基因丰度)在对照和处理之间的差值,C0表示对照处理的值。RS指数主要考虑对照组和干扰组的绝对差异,呈现单调函数增加。为了确保比较的有效性,对RS值进行标准化处理。RS值介于+1和-1之间。RS值为+1表示该指标对干扰有最高的抵抗力(即干扰并没有引起任何反应变量的变化);RS值等于0表示与对照相比,处理组的该指标发生100%的变化;RS值为-1表示与对照相比,处理组的该指标发生大于100%的变化(Orwin和Wardle,2005;Orwin等,2016)。

    3 结果与分析

    3.1 功能基因丰度及其影响因子

    如图2可知,土壤碳、氮和磷循环相关类群丰度之间呈显著正相关关系(R2 = 0.42 ~ 0.57,p < 0.001)。MAT、MAP及土壤C/N/P化学计量特性显著影响碳、氮和磷循环相关基因丰度(图3A-C)。土壤C/N/P化学计量特性对基因丰度变化的解释率最大(35% ~ 49%,p < 0.001),其次是MAT和MAP(7% ~ 10%,p < 0.01)。此外,这些因子分别共同解释16%和8%磷和碳循环基因丰度的变异。

    图2 碳、氮和磷循环相关类群丰度之间的相关性。

    Fig. 2 The relationships between the C, N and P cycling microbial populations.

    土壤TN含量及土壤C/P比和N/P比与大部分功能基因丰度之间呈显著相关性(图3D)。土壤TC含量与amoA-b、nifH, narG、nirS和nosZ基因丰度之间呈显著正相关关系。土壤TP含量与phoD和pqqC基因丰度之间呈显著负相关关系。土壤C/N比与phoD、phoC 、pqqC、nirK、fungcbhIR和GH74基因丰度之间呈显著负相关关系。MAT或MAP仅与nirK、phoC、pqqC和fungcbhIR基因丰度之间呈显著相关性。细菌和真菌丰度与大多数功能基因之间呈显著正相关关系,单施真菌与细菌丰度的比值与碳循环相关基因丰度(fungcbhIR、GH31、GH51和GH74)呈显著相关性(图3D)。

    图3 MAP、MAT及土壤C/N/P化学计量特征对土壤功能类群丰度的影响(A-C);MAP、MAT、土壤C/N/P化学计量特征、真菌和细菌丰度与功能基因丰度之间的相关性(D)。红色和蓝色圆圈分别表示正和负相关关系。

    Fig. 3 The individual and combined explanatory power of MAT and MAP and soil C:N:P stoichiometry on functional populations (A-C); The relationships of individual gene abundance with MAT, MAP, soil C:N:P stoichiometry, and bacterial and fungal abundance (D). The blue and red color show respectively a negative and positive relationships between two variables.

    3.2 功能基因丰度对气候变化的抵抗力

    在本研究的功能基因中,phoD基因丰度对干湿交替循环的抵抗力最低,nosZ和GH51基因丰度对增温的抵抗力最低,而GH51和GH74基因丰度对氮沉降的抵抗力最低。氮循环基因(amoA-b、nirS、narG和norB)丰度对氮沉降的抵抗力最高,amoA-a和nosZ基因丰度分别对增温和干湿交替循环的抵抗力最高(图4)。磷循环基因(phoD和phoC)丰度对增温和氮沉降的抵抗力无明显差异,但明显高于对干湿交替循环的抵抗力。此外,BPP基因丰度对增温和干湿交替循环的抵抗力明显高于氮沉降。碳循环基因(GH31、GH51和GH74)丰度对氮沉降的抵抗力明显低于干湿交替循环和增温(图4)。

    图4 功能基因丰度对干湿交替、氮沉降和增温的抵抗力。

    Fig. 4 Effects of warming, drying-wetting cycles and N deposition on the resistance of genes involved in C, N, and P cycling.

    点击查看差异分析和可视化完美解决方案

    3.3 土壤功能类群抵抗力的调控因素

    随机森林分析表明,MAP是氮循环类群对干湿交替抵抗力的主要预测因子(平均预测能力MPI为21%),而MAT是氮循环类群对增温抵抗力的主要预测因子(MPI为23%)(图5)。土壤C/P比是氮循环类群对氮沉降抵抗力的主要预测因子(MPI为15%),其次是MAP和MAT。土壤TC和TN含量及C/N比是磷循环相关类群抵抗力的主要预测因子。土壤C/P(MPI为10%)比和MAT(MPI为10%)是碳循环相关类群对干湿交替抵抗力的主要预测因子,而TN含量(MPI为18%)和MAT(MPI为15%)分别是碳循环相关类群对增温和氮沉降抵抗力的主要预测因子。

    图5 随机森林模型评估功能微生物类群对干湿交替、增温和氮沉降抵抗力的主要影响因素(MSE分别表示均方误差;蓝色表示显著,紫色表示不显著)。

    Fig. 5 Random forest mean predictor importance of MAT and MAP and soil C:N:P stoichiometry as the drivers of C, N, and P cycling genetic resistance to warming, drying-wetting cycles and N deposition. Blue fill indicates significance level at p < 0.05.

    结构方程模型进一步表明,MAT和MAP均能直接影响土壤C/N/P化学计量特征,进而影响功能微生物对全球变化的抵抗力(图6)。例如,MAP直接影响土壤TN含量,TN含量的改变进一步影响氮循环相关类群对氮沉降、增温和干湿交替的抵抗力。土壤碳氮磷的含量及比值直接影响功能基因丰度,但在不同的环境变化下影响程度和方向有所不同。例如,土壤TC和TN含量能正向影响氮循环相关类群的抵抗力,而土壤C/P比影响碳氮磷循环相关类群的抵抗力(图6)。

    图6 影响土壤功能类群对干湿交替、增温和氮沉降抵抗力的主要因子及调控途径。

    Fig. 6 Structural equation modeling describing the effects of MAT and MAP and soil C:N:P stoichiometry on the population resistance of C, N, and P cycling microbial-groups to drying-wetting cycles, warming, and N deposition.

    4 讨论

    4.1 土壤化学计量特性影响特定功能类群

    本研究表明,土壤C/N/P化学计量特征对碳循环(纤维素、木聚糖和淀粉降解)、氮循环(固定、硝化及反硝化作用)和磷循环(有机磷矿化分解和无机磷溶解)相关基因丰度的影响大于MAP和MAT。与先前研究一致,土壤理化特性、温度和湿度均单独或共同影响微生物介导的养分循环过程。


    本研究为揭示影响苜蓿种植土壤中微生物介导的氮转化过程提供了新的见解。例如,固氮菌(nifH基因)与硝化细菌、硝酸盐还原菌及反硝化菌之间呈显著正相关关系。在该系统中,土壤外界氮投入主要依赖于生物固定。先前研究表明,nosZ和nirS基因的扩增序列与固氮菌Azospirillum sp.和B.japonicum序列的相似性较高,进而表明固氮菌和反硝化菌之间关系密切。氮矿化过程(氮气转化成铵)、硝化作用(铵向硝酸盐的转化)及反硝化作用(硝酸盐的损失)均依赖于土壤的固氮潜力。因此,通过同步分析固氮菌、硝化菌、硝酸盐还原菌及反硝化菌的群落特征,有助于进一步了解生态系统中氮的生物化学循环潜力。微生物对碳和养分的需求量因物种而异,并非随时间而保持恒定。本研究表明,大多数氮循环相关基因丰度与土壤TC和TN含量以及C/P比和N/P比之间呈显著相关性。例如,土壤固氮作用能进一步影响与其相关的碳氮循环过程,包括菌根共生和凋落物分解,因而土壤TC和TN含量均能显著影响nifH基因丰度。这一发现表明,资源分配过程使碳氮的获得达到化学计量平衡。

    本研究结果表明,土壤碳、氮和磷循环相关微生物丰度之间呈显著正相关关系,这进一步论证了土壤磷的生物化学循环与碳氮循环的关系密切。例如,蔓生根瘤菌(Bradyrhizobium)是一种共生固氮菌,在耦合土壤氮磷循环中发挥着重要作用。为应对磷胁迫,一些Alphaproteobacteria(Bradyrhizobium)通过改变磷循环基因(如,phoD和phoC)的表达或磷酸酶的催化效率,或通过牺牲氮以获得更多的有效磷。在低磷条件下,phoD和pqqC基因通过编码磷酸酶或释放有机酸来提高土壤磷的有效性,因而土壤TP含量与phoD和pqqC基因丰度之间呈显著负相关关系。一般来讲,土壤磷酸酶活性及phoD基因丰度与土壤速效磷含量之间均呈负相关关系。在高磷土壤中,磷酸酶的释放可能主要是为了获取碳源,而非单纯的活化土壤磷。微生物释放的磷酸酶和其他功能酶可同时参与磷酸化大分子有机物的矿化分解,进而提高土壤碳磷有效性。因此,磷转化过程与碳矿化之间的联系十分密切。土壤C/N比影响植物残体或土壤有机质的分解效率,进而影响土壤碳的储存与有效性。先前研究表明,土壤C/P比和N/P比是phoC和phoD基因丰度与多样性的主要影响因子。本研究进一步表明,土壤TC、TN和TP含量均显著影响磷循环相关基因丰度。因此,深入了解功能类群的环境和资源依赖性以及它们承受干扰的能力,有助于进一步预测土壤功能稳定性。

    4.2 土壤微生物功能稳定性

    本研究结果表明,土壤碳、氮和磷循环相关基因丰度对全球变化的抵抗能力不同。导致这一特性的原因可能是多样性不同、代谢方式多变及特定官能团的环境耐受性不同,反映了土壤微生物系统中复杂的反馈途径。例如,干旱和再湿润可诱导真菌和细菌改变其生存策略,包括相容性溶质的积累(如Streptomycetes),多聚体的生产(Pseudomonas sp.和Acidobacteria)以及通过产生孢子而进入休眠状态。因此,土壤功能类群可通过实施不同的生理策略来选择特有的模式以应对全球变化,使它们能够耐受土壤水分的动态变化。

    由于功能微生物存在生态生理多样性,一个类群的所有物种不可能具有相似的生态生理特征。因此,它们不可能以同样的方式对不同的干扰作出反应。本研究结果表明,土壤功能类群对干湿交替循环、增温及氮沉降表现出不同的抵抗能力。先前研究表明,土壤氮循环过程对气候变化十分敏感,相对较小的温度或湿度变化就能影响硝化作用、总氮矿化或净氮矿化。干燥或土壤湿度的降低均能降低土壤氮矿化速率。本研究结果表明,与干湿交替循环和增温相比,氮循环相关基因(amoA-b、nirS、narG和norB)丰度对氮沉降表示出更高的抵抗力。氮沉降提高土壤微生物群落的空间异质性,异质性的加强促使细胞在不同的环境条件下随机切换表达状态,从而有助于功能类群适应新的生境。

    本研究结果表明,与干湿交替循环和增温相比,碳循环相关基因(GH31、GH51和GH74)丰度对氮沉降表现出较低的抵抗力。涉及到有机质降解的微生物主要属于真菌,因而与其他物种相比它们对干旱胁迫的抵抗力更高,且生物量能在水分胁迫下继续增加。氮添加可诱发微生物碳限制,有助于难降解有机质的分解。因此,与干湿交替循环和增温相比,纤维素降解(GH74)、淀粉降解(GH31)及木聚糖降解(GH51)相关基因丰度对氮沉降表现出更低的抵抗力。这一发现表明,这些功能类群对氮沉降具有较低的表型可塑性。干湿交替循环加速有机磷的矿化分解及无机磷的溶解,引起可溶性磷的损失。为了获得更多的有效磷,微生物会加速磷酸酶(矿化)和有机离子(溶解)的释放。因而本研究表明,与氮沉降和增温相比,产磷酸酶基因(phoD和phoC)丰度对干湿交替循环表现出较低的抵抗力。根据以上结果,为了有效地评估或预测各全球变化背景下土壤功能过程的潜在变化,有必要关注特定微生物类群的主要驱动因素。

    4.3 土壤微生物功能稳定性的调控因素

    经常经历环境变化的微生物比接触环境变化较少的微生物具有更高的抵抗力。例如,降水较多的地区,土壤细菌对干湿交替循环的抵抗力较强。本研究表明,MAP和MAT是功能基因丰度的重要影响因素。目前尚不清楚全球变暖将如何影响固氮过程,部分研究预测未来的北极环境下,酶活性和二氧化碳浓度的增加会提高土壤固氮能力。相反,有效氮的增加会抑制固氮作用,因为矿化的增加在该过程中存在负反馈作用。这一矛盾的结果可能归因于气候条件的差异。本研究表明,MAT是氮循环相关类群对增温抵抗力的主要预测因子。这一发现进一步表明,气候条件及干扰历史可能影响土壤微生物群落组成或功能对二次干扰的响应。

    酶的生产需要耗费大量的营养和能量(细胞经济策略)。本研究结果表明,土壤碳氮磷的含量及比值直接影响功能基因对全球变化的抵抗力,而MAT和MAP可通过影响土壤化学计量特征来进一步影响功能基因抵抗力。尽管土壤化学计量特征受施肥等管理措施影响较大,但其他研究同样表明,计量学特征的变化同样受纬度、MAT和MAP的影响。土壤磷酸酶活性对碳氮磷可利用性的变化十分敏感,是生物体适应生物化学循环变化的重要策略。因而本研究表明,土壤TC和TN含量及C/N比是磷循环相关基因抵抗力的重要预测因子。在碳充足条件下,氮有效性的增加可维持土壤碳氮的化学计量平衡,进而提高微生物活性,加速碳的矿化。土壤养分限制可能导致微生物从r策略转向K策略,K策略微生物可分解更稳定的有机质以获得有机氮或磷,有机质分解活性更强。因而本研究表明,土壤C/P、N/P及C/N比可显著影响功能类群对全球变化的抵抗能力。

    5 结论

    土壤C/N/P化学计量特性对基因丰度变化的解释率最大,其次是MAT和MAP。土壤TC含量与amoA-b、nifH、narG、nirS和nosZ基因丰度之间呈显著正相关关系。土壤TP含量与phoD和pqqC基因丰度之间呈显著负相关关系。氮循环基因(amoA-b、nirS、narG和norB)丰度对氮沉降的抵抗力最高,amoA-a和nosZ基因丰度分别对增温和干湿交替循环的抵抗力最高。磷循环基因(phoD和phoC)丰度对增温和氮沉降的抵抗力无明显差异,但明显高于对干湿交替循环的抵抗力。土壤C/P比是氮循环相关类群对氮沉降抵抗力的主要预测因子,土壤TC和TN含量及C/N比是磷循环相关类群抵抗力的主要预测因子。土壤C/P比和MAT是碳循环相关类群对干湿交替抵抗力的主要预测因子,而TN含量和MAT分别是碳循环相关类群对增温和氮沉降抵抗力的主要预测因子。土壤碳氮磷的含量及比值影响功能基因抵抗力,而MAT和MAP可通过影响土壤化学计量特征来进一步影响功能基因抵抗力。

    作者介绍

    凌宁

    凌宁,博士,副教授;主要从事土壤微生物与有机肥料、土壤生物肥力定向培育方面的科研。研究成果以第一作者或者通讯作者发表在 New Phytologist、mSystems、Environ Microbiol、Functional Ecology、Soil Biol
    Biochem、Appl Environ Microbiol
    等环境微生物学、土壤学、生态学
    领域的权威期刊上,当前论文 H-index 为 25,论文他引 > 1600 次。

    罗功文

    罗功文,博士,2020年6月毕业于南京农业大学,现就职于湖南农业大学资环学院农业环境保护团队。研究方向:农业环境保护,农业微生物生态,植物-根际-微生物互作,新型肥料研发等。目前以第一作者在mSystems、Soil Biology and Biochemistry、Functional Ecology等国际权威期刊发表8篇SCI论文,累积影响因子高达40,并以共同作者发表SCI论文7篇。参加国内外学术会议30余次,获得“全国性学术报告一等奖”等荣誉多项。现为Land Degradation & Development等杂志审稿人。

    参考文献

    Gongwen Luo, Chao Xue, Qianhong Jiang, Yan Xiao, Fengge Zhang, Shiwei Guo, Qirong Shen & Ning Ling. Soil Carbon, Nitrogen, and Phosphorus Cycling Microbial Populations and Their Resistance to Global Change Depend on Soil C:N:P Stoichiometry. mSystems. 2020, 5: e00162-00120. doi:10.1128/mSystems.00162-20

    撰文:罗功文

    责编:文涛

    审核:刘永鑫

    猜你喜欢

    10000+:菌群分析 宝宝与猫狗 梅毒狂想曲 提DNA发Nature Cell专刊 肠道指挥大脑

    系列教程:微生物组入门 Biostar 微生物组  宏基因组

    专业技能:学术图表 高分文章 生信宝典 不可或缺的人

    一文读懂:宏基因组 寄生虫益处 进化树

    必备技能:提问 搜索  Endnote

    文献阅读 热心肠 SemanticScholar Geenmedical

    扩增子分析:图表解读 分析流程 统计绘图

    16S功能预测   PICRUSt  FAPROTAX  Bugbase Tax4Fun

    在线工具:16S预测培养基 生信绘图

    科研经验:云笔记  云协作 公众号

    编程模板: Shell  R Perl

    生物科普:  肠道细菌 人体上的生命 生命大跃进  细胞暗战 人体奥秘  

    写在后面

    为鼓励读者交流、快速解决科研困难,我们建立了“宏基因组”专业讨论群,目前己有国内外5000+ 一线科研人员加入。参与讨论,获得专业解答,欢迎分享此文至朋友圈,并扫码加主编好友带你入群,务必备注“姓名-单位-研究方向-职称/年级”。PI请明示身份,另有海内外微生物相关PI群供大佬合作交流。技术问题寻求帮助,首先阅读《如何优雅的提问》学习解决问题思路,仍未解决群内讨论,问题不私聊,帮助同行。

    学习16S扩增子、宏基因组科研思路和分析实战,关注“宏基因组”

    点击阅读原文,跳转最新文章目录阅读

    展开全文
  • 一、下载R.I.N.G.S.程序包 进入R.I.N.G.S.程序包的官网: http://rings-code.sourceforge.net/index.php?option=com_content&amp;view=category&amp;layout=blog&amp;id=34&amp;Itemid=57 下载...

    一、下载R.I.N.G.S.程序包

    进入R.I.N.G.S.程序包的官网:

    http://rings-code.sourceforge.net/index.php?option=com_content&view=category&layout=blog&id=34&Itemid=57

    下载相应版本的R.I.N.G.S.程序包。其对应可视化工具OpenDX也可同时下载,已便可可视化分析结果!

    二、R.I.N.G.S.程序包解包

    上传rings-code-v1.3.3.tar.bz2或rings-code-v1.3.3.tar.gz至Linux系统,下面已Red Hat 7 Linux系统为例。

    解包:

    bz:[qium@node101 ~/]$ tar -jxf rings-code-v1.3.3.tar.bz2

    gz: [qium@node101 ~/]$ tar -zxf rings-code-v1.3.3.tar.gz

    三、安装

    1. rings-code的安装分为单机版与并行版两种,首先进入rings-code目录,对于单机版本安装,其安装过程如下:

    单机版:

    [qium@node101 rings-code]$ ./configure  --without-mpi [ FC = ifort ] [ --prefix=/home/qium/RINGS ]

    并行版:

    [qium@node101 rings-code]$ ./configure  --with-mpi MPIFC=mpif90  [ LDFLAGS=-I/xxxxx/ ] [ FC = ifort ] [ --prefix=/home/qium/RINGS ]

    默认FC = gfortran 

    2. make

    3. make install  //如果没有指定安装目录,产生的rings将放在/usr/bin/rings里,这需要root用户权限

    至此,R.I.N.G.S.程序包已安装成功。然而要正确的运行该程序,需要严格输入文件选项文件

    要正确运行rings程序,需要 二个文件(input和options)一个目(data)

    附:输入文件(input)

    R.I.N.G.S.程序包是多接口的程序包,可以处理S.I.E.S.T.A. single 'multiple xyz' file
                     FIREBALL multiple 'msf' files             C.P.M.D. single 'trajectory' file
                     V.A.S.P. single 'xdatcar' file                P.D.B. single 'PDB - Protein Data Bank' file

     

          #######################################
          #       R.I.N.G.S. input file         #
          #######################################
      (1) GeS2-glass                            #    体系名称
      (2) 258                                   #    总原子数(如果是XDATCAR,是指POSCAR中的原子数目)
      (3) 2                                     #    原子类型数目
      (4) Ge  S                                 #    相应的元素符号(与POSCAR中的相同)
      (5) 1000                                  #    MD中所包含的结构数目
      (6) 1                                     #    POSCAR中第二行的中因子
          19.209999 0 0                         #                             x11   y12   z13
      (7) 0 19.209999 0                         #    POSCAR中a,b,c三维坐标: x21   y22   z23
          0 0 19.209999                         #                             x31   y32   z33
      (8) 2.5                                   #    多少个时间步进行积分
      (9) ANI                                   #    结构来自哪个软件:SIESTA:ANI VASP:VAS FIREBALL:MSF CPMD:TRJ PDB:PDB 
     (10) ges2.xyz                              #    要读入的文件名:VASP:XDATCAR SIESTA:*.xyz 
     (11) 200                                   #    gr 实空间离散化
     (12) 500                                   #    S(q)倒易空间离散化
     (13) 25                                    #    S(q)倒易空间知的最大模量
     (14) 0.125                                 #    S(g)平滑因子
     (15) 90                                    #    角度离散化  0-180度
     (16) 20                                    #    环统计的离散化
     (17) 10                                    #    环统计最大深度/2  最小值2
     (18) 15                                    #    链统计最大深度
          #######################################
          Ge Ge   4.50                          #    gr截断半径   元素1 元2 截断半径
     (19) S S     4.70                          #    gr截断半径
          Ge S    2.30                          #    gr截断半径
     (20) Grtot   2.60                          #    gr总截断半径
          #######################################
    以上每个参数均是不可缺少的,其文件名必须为:input
    
    选项文件(options):
        #######################################
                R.I.N.G.S. options file       #
        #######################################
     (1) PBC             .true.               #
     (2) Frac            .false.              #
     (3) g(r)            .false.              #
     (4) S(q)            .false.              #
     (5) S(k)            .false.              #
     (6) gfft(r)         .false.              #
     (7) MSD             .false.              #
     (8) atMSD           .false.              #
     (9) Bonds           .true.               #
    (10) Angles          .false.              #
    (11) Chains          .true.               #
       ----- ! Chain statistics options ! -----
    (12) Species           0                  #
    (13) AAAA            .false.              #
    (14) ABAB            .false.              #
    (15) 1221            .false.              #
        ---------------------------------------
    (16) Rings           .true.               #
       ----- ! Ring statistics options ! -----
    (17) Species           0                  #
    (18) ABAB            .false.              #
    (19) Rings0          .false.              #
    (20) Rings1          .false.              #
    (21) Rings2          .false.              #
    (22) Rings3          .true.               #
    (23) Rings4          .true.               #
    (24) Prim_Rings      .true.               #
    (25) Str_Rings       .false.              #
    (26) BarycRings      .false.              #
    (27) Prop-1          .false.              #
    (28) Prop-2          .false.              #
    (29) Prop-3          .false.              #
    (30) Prop-4          .false.              #
    (31) Prop-5          .false.              #
        ---------------------------------------
    (32) Vacuum          .false.              #
        #######################################
                 Outputting options           #
        #######################################
    (33) Evol            .false.              #
    (34) Dxout           .false.              #
     -- ! OpenDX visualization options !  --
    (35) RadOut          .false.              #
    (36) RingsOut        .false.              #
    (37) DRngOut         .false.              #
    (38) VoidsOut        .false.              #
    (39) TetraOut        .false.              #
    (40) TrajOut         .false.              #
     --------------------------------------- 
    (41) Output        my-output.out          #
        ####################################### 
        选项文件中的ture或false,表示是否分析、计算或输出相应的项目,其中只有Output表示输出的文件名,
    该选项是可修改的。但所有41个参数是必不可少的,否则rings报错。此外,选项文件的名称必须为:option。
        除了上述两个文件,还需要一个目录:data,该目录里面存放的文件是SIESTA,VASP(XDATCAR),CMPD
    和PDB 的输出文件。当前目录中有input,options两个文件和一个data目录后,rings程序即可正确运行!

     

    展开全文
  • python矩阵创建n*nFor today’s recreational coding exercise, we will look at the gravitational N-body problem. We will create a simulation of a dynamical system of particles interacting with each other...

    python矩阵创建n*n

    For today’s recreational coding exercise, we will look at the gravitational N-body problem. We will create a simulation of a dynamical system of particles interacting with each other gravitationally. Such a system may describe the orbits of planets in the Solar System or stars in our Galaxy.

    对于今天的娱乐编码练习,我们将研究重力N体问题 。 我们将创建一个粒子相互重力相互作用的动力学系统的模拟。 这样的系统可以描述太阳系中的行星或银河系中的恒星的轨道。

    You may find the accompanying Python code on github. (And if you prefer to use Matlab, please see my Matlab version of the article)

    您可以在github上找到随附的Python代码 。 (如果您更喜欢使用Matlab,请参阅我的Matlab版本的文章 )

    But first, below is a gif of what running our simulation looks like:

    但是首先,下面是模拟运行情况的图像:

    力计算 (Force Calculation)

    We will assume a system of N point particles, indexed by i=1,…,N. Each particle has a:

    我们将假定一个由i = 1,…,N索引的N点粒子系统。 每个粒子都有一个:

    • mass mᵢ,

      质量mᵢ

    • position rᵢ = [ xᵢ, yᵢ, zᵢ ] ,

      位置rᵢ = [ xᵢyᵢzᵢ ],

    • velocity vᵢ = [ vx, vyᵢ, vzᵢ ]

      速度vᵢ= [VXᵢ,Vyᵢ,Vzᵢ]

    Each particle feels the gravitational attraction of all the other particles according to Newton’s law of universal gravitation (the famous ‘inverse square-law’). That is, each particle feels an acceleration:

    根据牛顿的万有引力定律(著名的“反平方律”),每个粒子都感受到所有其他粒子的引力吸引。 也就是说,每个粒子都会感觉到加速度:

    Image for post

    where G=6.67×10^-11 m³/kg/s² is the Gravitational constant.

    其中G = 6.67×10 ^ -11m³/ kg /s²是引力常数。

    We can write a Python function to perform the calculation on an input N×3 matrix of positions:

    我们可以编写一个Python函数来对输入的N ×3位​​置矩阵执行计算:

    def getAcc( pos, mass, G, softening ):
    	"""
    	Calculate the acceleration on each particle due to Newton's Law 
    	pos  is an N x 3 matrix of positions
    	mass is an N x 1 vector of masses
    	G is Newton's Gravitational constant
    	softening is the softening length
    	a is N x 3 matrix of accelerations
    	"""
    	
    	N = pos.shape[0];
    	a = np.zeros((N,3));
    	
    	for i in range(N):
    		for j in range(N):
    			dx = pos[j,0] - pos[i,0];
    			dy = pos[j,1] - pos[i,1];
    			dz = pos[j,2] - pos[i,2];
    			inv_r3 = (dx**2 + dy**2 + dz**2 + softening**2)**(-1.5);
    			a[i,0] +=  G * (dx * inv_r3) * mass[j];
    			a[i,1] +=  G * (dy * inv_r3) * mass[j];
    			a[i,2] +=  G * (dz * inv_r3) * mass[j];
    			
    	return a

    The softening parameter in the code is a small number added to avoid numerical issues when 2 particles are close to each other, in which case the acceleration from the ‘inverse square-law’ goes to infinity. In real life, masses are not exactly point particles and have finite extent.

    代码中的软化参数是添加的一个小数字,以避免2个粒子彼此靠近时的数值问题,在这种情况下,来自“反平方律”的加速度将变为无穷大。 在现实生活中,质量并不完全是点粒子,并且范围有限。

    The performance of the above code can actually be improved in Python by vectorization. That is, formulating the problem in terms of vector and matrix operations. I highly recommend this approach in general with interpreted languages, as it often can lead to 100× speedup. It also makes the code more readable. The downside is that storing intermediate calculations inside matrices uses significant memory. Here is a vectorized version of the function that computes the acceleration on all the particles:

    上面的代码的性能实际上可以通过矢量化在Python中得到改善。 也就是说,用向量和矩阵运算来表达问题。 我强烈建议在解释型语言中使用这种方法,因为它通常会导致100倍加速 。 这也使代码更具可读性。 缺点是将中间计算结果存储在矩阵中会占用大量内存。 这是该函数的矢量化版本,可计算所有粒子上的加速度:

    def getAcc( pos, mass, G, softening ):
    	"""
    	Calculate the acceleration on each particle due to Newton's Law 
    	pos  is an N x 3 matrix of positions
    	mass is an N x 1 vector of masses
    	G is Newton's Gravitational constant
    	softening is the softening length
    	a is N x 3 matrix of accelerations
    	"""
    	# positions r = [x,y,z] for all particles
    	x = pos[:,0:1]
    	y = pos[:,1:2]
    	z = pos[:,2:3]
    	
    	# matrix that stores all pairwise particle separations: r_j - r_i
    	dx = x.T - x
    	dy = y.T - y
    	dz = z.T - z
    	
    	# matrix that stores 1/r^3 for all particle pairwise particle separations 
    	inv_r3 = (dx**2 + dy**2 + dz**2 + softening**2)**(-1.5)
    	
    	ax = G * (dx * inv_r3) @ mass
    	ay = G * (dy * inv_r3) @ mass
    	az = G * (dz * inv_r3) @ mass
    	
    	# pack together the acceleration components
    	a = np.hstack((ax,ay,az))
    	
    	return a

    时间整合 (Time Integration)

    The positions and velocities are updated using a leap-frog scheme (‘kick-drift-kick’). For each timestep Δt, each particle receives a half-step ‘kick’:

    位置和速度使用跳越方案('kick-drift-kick')更新。 对于每个时间步长Δt,每个粒子都接收一个半步“踢”:

    Image for post

    followed by a full-step ‘drift’:

    然后是整步“漂移”:

    Image for post

    followed by another half-step ‘kick’.

    接下来是半步“踢”。

    The evolution is performed in the code using a For-loop and our function for the acceleration from earlier:

    使用For循环在代码中执行演化,而我们的函数则用于从早期开始进行加速:

    # Simulation Main Loop
    for i in range(Nt):
    	# (1/2) kick
    	vel += acc * dt/2.0
    	
    	# drift
    	pos += vel * dt
    	
    	# update accelerations
    	acc = getAcc( pos, mass, G, softening )
    	
    	# (1/2) kick
    	vel += acc * dt/2.0
    	
    	# update time
    	t += dt

    Simple, isn’t it?

    很简单,不是吗?

    The ‘kick-drift-kick’ is a highly accurate second-order technique that does a good job at preserving the total energy of the system.

    “踢踢踢”是一种高度精确的二阶技术,可以很好地保持系统的总能量。

    初始条件 (Initial Conditions)

    The only thing left to carry out a simulation is to specify the initial positions and velocities of the particles at time t=0. Check out the code to play around with different setups. I initialize a random Gaussian distribution of positions and velocities for N=100 particles, but feel free to construct your own.

    剩下要做的唯一模拟是指定在时间t = 0时粒子的初始位置和速度。 查看代码以使用不同的设置。 我为N = 100个粒子初始化了位置和速度的随机高斯分布,但可以自行构建。

    能源诊断 (Energy Diagnostics)

    Physically, the total energy of the system:

    从物理上讲,系统的总能量为:

    Image for post

    is conserved under time evolution. The first sum in this equation is the kinetic energy (KE) and the second is the potential energy (PE). Our code computes these quantities and keeps track of the total energy to make sure it is being approximately conserved by the numerical method. It is generally good practice to do this as a way to validate your code.

    在时间演化下是保守的。 该方程式中的第一个和是动能(KE),第二个是势能(PE)。 我们的代码将计算这些数量并跟踪总能量,以确保通过数值方法可以大致节省总能量。 通常,这样做是验证代码的一种好习惯。

    Running the code allows you to visualize the simulation in real time and will yield the figure:

    运行代码可以使您实时可视化仿真,并产生图:

    N-body simulation

    Computational astrophysicists use this type of simulation every day as part of very detailed simulations of the Universe. Newton’s law of gravity is responsible for setting a lot of the structure you see in the Universe:

    计算天体物理学家每天都使用这种类型的模拟作为非常详细的宇宙模拟的一部分。 牛顿的万有引力定律负责设定您在宇宙中看到的许多结构:

    Image for post
    TNG SimulationsTNG模拟中模拟宇宙中恒星的分布

    Download the Python code on github for our N-body simulation to visualize the simulation in real time and play around with the initial conditions. Enjoy!

    在github上下载Python代码以进行N体仿真,以实时可视化仿真并尝试初始条件。 请享用!

    翻译自: https://medium.com/@philip.mocz/create-your-own-n-body-simulation-with-python-f417234885e9

    python矩阵创建n*n

    展开全文
  •  化学品中文名称:N,N-二异丙基乙胺英文名:Ethyldiisopropylamine CAS号:7087-68-5 分子式:C8H19N 分子量:129.24300  第二部分 危险性概述 GHS分类  易燃液体 (类别 2),急性毒性,经口 (类别 4),急性毒性...
  • 初中化学常见物质名称及化学式 金属单质: 非金属单质: 氢气 氧气 氮气 氯气 臭氧 碘 碳 硅 硫 磷 化学式: H2 O2 N2 Cl2 O3 I2 C Si S P 稀有气体: 氦气 氖气 氩气 化学式: He Ne Ar 氧化物: ...
  • 信噪比(SNR or S/N)

    万次阅读 2019-06-11 18:43:52
    信噪比(SNR or S/N) 信噪比(SNR or S/N),即放大器的输出信号的功率,与同时输出的噪声功率的比值,常常用分贝数表示。设备的信噪比越高表明它产生的杂音越少。一般来说,信噪比越大,说明混在信号里的噪声越小,...
  • 计算机化学

    千次阅读 2014-03-03 16:50:07
    http://aston.chem.purdue.edu/ The NIST Chemistry WebBook (免费) ... NetSci的计算化学软件目录 http://www.netsci.org/Resources/Software/ The Encyclopedia of Mass Spectromet
  • 化学方程式

    2017-11-29 04:00:57
    多于N>1M>1的情况,相邻的两种化学品之间用一个“+”来连接。 2) 在每种元素(或者每种根,后面说明)后面出现的系数,是角标,表示这个元素或者根在这个化学品中出现的比例(主要元素的最外层次外层电子分布...
  • 题目:大家都知道斐波那契数列,现在要求输入一个整数n,请你输出斐波那契数列的第n项(从0开始,第0项为0)。 n<=39 首先得知道什么是斐波那契数列 斐波那契数列(Fibonacci sequence),又称黄金分割数列、...
  • 用递归法计算斐波那契数列的第n

    万次阅读 2012-03-12 14:56:23
    指的是这样一个数列:1、1、2、3、5、8、13、21、……在数学上,斐波纳契数列以如下被以递归的方法定义:F0=0,F1=1,Fn=F(n-1)+F(n-2)(n>=2,nN*)在现代物理、准晶体结构、化学等领域,斐波纳契数列都有直接的...
  • rdkit 化学指纹(fingerprint)相似性

    千次阅读 2020-06-29 10:25:29
    文章目录一、引入所需库二、化学指纹2.1 拓扑指纹 Chem.RDKFingerprint(mol)2.2 MACCS 指纹MACCSkeys.GenMACCSKeys(mol)2.3 原子对Atom Pairs2.4 拓扑扭曲topological torsions2.5 摩根指纹(圆圈指纹)AllChem....
  • 化学品问题

    千次阅读 2016-05-15 23:32:23
    任务:对于给定的N和M,求不发生爆炸的放置药品的方案总数  Input 第一行是一个正整数L,代表输入数据的组数  接下来L行,每行有两个正整数N,M( 1<N,2≤M≤5)  Output
  • 交联剂又称作架桥剂,是聚烃类光致抗蚀剂的重要组成部分,这种光致抗蚀剂的光化学固化作用,依赖于带有双感光性官能团的交联剂参加反应,交联剂曝光后产生双自由基,它聚烃类树脂相作用,在聚合物分子链之间形成桥...
  • ScaffoldGraph是一个开放源代码化学信息库,使用RDKitNetworkX构建,用于生成分析骨架网络支架树。1特点 骨架网络生成(Varin, 2011)通过迭代删除可...
  • 输出斐波那契数列中小于n的所有值

    千次阅读 2020-01-15 16:59:58
    指的是这样一个数列:0、1、1、2、3、5、8、13、21、34、……在数学上,斐波纳契数列以如下被以递归的方法定义:F(0)=0,F(1)=1,F(n)=F(n-1)+F(n-2)(n≥2,nN*)在现代物理、准晶体结构、化学等领域,...
  • Python之求斐波那契数列前n

    万次阅读 2019-09-06 22:06:10
    def fibo(n): a, b = 0, 1 for i in range(n): print(a,end='\t') a,b = b, a + b n = eval(input("请输入一个整数:")) print('斐波那契前n项'.center(20,'-')) fibo(n) 运行结果: 关键代码也就两三行 ....
  • 化学结构信息与图论

    千次阅读 2019-09-29 15:46:05
    节点存储信息(标签),例如原子类型、电荷、多重性质量,而边存储键合顺序。每个都可以具有关于芳族立体异构的信息。至于键序,最好以π电子而不是边缘的形式给出节点,以反映实际的原子轨道三维结构。 ...
  • 物理化学笔记(1) 量子化学基础

    千次阅读 2020-04-01 18:09:49
    化学是人类关于原子分子的知识智慧的结晶。一个优秀的化学家需要适当了解其他科学分支的观测角度,在一定程度上听得懂其他学者的语言。但更重要根本的是化学家一定要能流利地使用分子语言。 脱离了量子化学的...
  • 绿色化学总结

    千次阅读 热门讨论 2017-12-24 21:33:08
    1.绿色化学的目标是:化学过程中不产生污染,即将污染消除与其产生之前。实现这一目标后就不需要治理污染,因其根本就不产生污染,是一种从源头上治理污染的方法...当代全球十大环境问题中至少有7项与化学工业化工产
  • 原地址:http://zgw.100xuexi.com/SubItem/IndexInfoDetail.aspx?id=a27048fc-064b-48a9-b70d-2103cb3e0774 ...pV=(m/M)RT=nRT或pVm=p(V/n)=RT 【适用范围】理想气体或低压的真实气体。 二、理想气体混合
  • N/A是什么意思?

    万次阅读 2020-01-17 15:23:10
    N/A的含义有很多,现列举如下: (1)N/A是指:Not Applicable。不是Not Available 的缩写。两者意思完全不同。经常可以在计算机中看到 Eg: Modem use IRQ: n/a这儿就指MODEM不使用IRQ中断。 (2)Not applicable 不...
  • 文章目录底物化学计量决定中国南方...不同基质中的N,N:P,C:N和C:(N:P)图 3 整个森林演替过程不同基质中的固氮率与N,P,C:N或C:(N:P)之间的关系图 4 结构方程模型解开了森林演替控制苔藓中固氮的主要途径...
  • RDKit:化学指纹(Chemical Fingerprinting)

    万次阅读 热门讨论 2018-08-18 00:04:40
    化学指纹识别是一种将绘制的分子转换为01位的流的方法。旧指纹类型是MACCS密钥,由前MDL开发,作为在分子数据库中进行子结构筛选的快速方法。公共版本包含166个键,即166 01,其中每个键对应于特定的分子特征,...
  • FX2N-2DA模拟量输出模块简述

    千次阅读 2020-07-14 15:04:02
    《三菱FX系列PLC编程速成全图解》 韩相争 化学工业出版社 FX2N-2DA中文手册说明书 简介 FX2N-2DA模拟量输出模块的功能是把PLC中的数字量转换成模拟量,将12位数字量转换成2点模拟输出(电压输出或电流输出),以便...
  • 化学结构格式SDF的认识

    千次阅读 2018-09-04 15:19:34
    -0.7260 -1.6660 0.0000 N 0 0 0 0 0 0 0 0 0 0 0 0 0.6559 0.8814 0.0000 C 0 0 0 0 0 0 0 0 0 0 0 0 0.4009 1.6660 0.0000 C 0 0 0 0 0 0 0 0 0 0 0 0 -0.4241 1.6660 0.0000 C 0 0 0 0 0 0 0 0 0 0 0 0 -0....
  • 浅议化学与社会的关系——兼议绿色化学重要性学号:16340048 数据科学与计算机学院目录 浅议化学与社会的关系兼议绿色化学重要性 总述 化学与社会的关系 社会的进步对化学的发展具有促进作用 化学是社会发展的推动...
  • RDKit | 基于分子指纹可视化化学空间

    千次阅读 2020-01-13 09:11:41
    根据化学结构可视化化合物空间 方法 计算分子指纹 为每种化合物生成一个指纹并减小其尺寸,以便可以将其绘制在平面上。根据相似性原理,“相似的化合物具有相似的性质”,具有相似结构性质的化合物应紧密地...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 21,796
精华内容 8,718
关键字:

化学n和n